論文の概要: ISO-RAG: Isoperimetric Noise Control for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.00513v1
• Date: Tue, 01 Sep 2026 00:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.172921
• Title: ISO-RAG: Isoperimetric Noise Control for Retrieval-Augmented Generation
• Title（参考訳）: ISO-RAG:リトリーバル拡張ジェネレーションのための等距離騒音制御
• Authors: Siyuan Zhang, Hanchen Wang, Dong Wen, Ying Zhang, Wenjie Zhang,
• Abstract要約: ISO-RAG (ISOperimetric Retrieval-Augmented Generation) は、幾何学的なRAGフレームワークである。 検索中に急激なエッジを創り出し、検索空間を厳密に局所化された部分グラフに制限する。 マルチホップQAベンチマークの実験では、ISO-RAGは最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 19.324707750671056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) mitigates large language models (LLMs) hallucinations, yet conventional dense retrieval struggles with the complex reasoning paths of multi-hop question answering (QA). Graph-based RAG captures multi-step relationships but suffers from severe semantic drift and high online latency due to noisy global graph traversals. Thus, we propose ISO-RAG (ISOperimetric Retrieval-Augmented Generation), a geometry-aware RAG framework. By projecting the underlying knowledge graph into a hyperbolic Poincare ball to precompute node-wise isoperimetric profiles, ISO-RAG prunes spurious edges during retrieval, restricting the search space to a strictly localized subgraph. This topological purification regulates Personalized PageRank (PPR) diffusion driving the retrieval process, ensuring exact and low-latency convergence. Experiments on multi-hop QA benchmarks demonstrate that ISO-RAG outperforms state-of-the-art baselines by average absolute gains of 10.0% in retrieval recall and 4.3% in downstream exact match, achieving a superior accuracy-efficiency trade-off by fundamentally eliminating the latency bottleneck of global traversals. Our source code is available at https://github.com/ZaiizaiZHANG/ISO-RAG.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は大規模言語モデル (LLM) の幻覚を緩和するが、従来の高密度検索はマルチホップ質問応答 (QA) の複雑な推論経路と競合する。 グラフベースのRAGは、多段階の関係をキャプチャするが、ノイズの多いグローバルグラフトラバーサルのため、重度のセマンティックドリフトと高いオンラインレイテンシに悩まされる。 そこで我々は,幾何対応RAGフレームワークであるISO-RAG(ISOperimetric Retrieval-Augmented Generation)を提案する。 ハイパーボリック・ポインケア・ボールに知識グラフを投影してノード単位の等距離プロファイルをプリ計算することで、ISO-RAGは検索中に急激なエッジを抽出し、検索空間を厳密に局所化された部分グラフに制限する。 このトポロジ的浄化は、検索過程を駆動するパーソナライズされたPPR(Personized PageRank)拡散を規制し、正確かつ低遅延収束を保証する。 マルチホップQAベンチマークの実験では、ISO-RAGは検索リコールにおいて平均10.0%の絶対ゲインと4.3%のダウンストリームの正確な一致で最先端のベースラインより優れており、グローバルトラバーサルの遅延ボトルネックを根本から排除することで、より優れた精度・効率のトレードオフを実現している。 ソースコードはhttps://github.com/ZaiizaiZHANG/ISO-RAG.comで公開されています。

関連論文リスト

• Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs [6.058906522832935]
  TIGRAG(Token-induced GraphRAG)はトークン共起知識グラフに基づく効率的なグラフ拡張RAGフレームワークである。 推論中に、グラフベースのセマンティック展開とニューラルリグレードを組み合わせて、マルチホップ推論のための相互接続された証拠を検索する。
  論文  参考訳（メタデータ） (2026-06-29T10:29:51Z)
• AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy [19.798184326652567]
  天文学における質問応答に適応したPageRankベースの検索拡張生成(RAG)パイプラインであるAstroRAGを提案する。 RAGは、外部証拠の回答を根拠にして、事実の誤りを軽減します。 RAG強化Mistralはtextbf79.49%の精度と textbf79.49%のF1スコアを達成し、RAG以外の性能をほぼ倍増させた。
  論文  参考訳（メタデータ） (2026-05-24T12:34:49Z)
• Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
  グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。 本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
  論文  参考訳（メタデータ） (2026-04-21T08:53:34Z)
• Beyond Explicit Edges: Robust Reasoning over Noisy and Sparse Knowledge Graphs [39.73839943827917]
  INSESは明示的なエッジを超えて推論するために設計された動的フレームワークである。 LLM誘導航法はノイズやステアリングを誘発し、埋め込みベースの類似性拡張と組み合わせている。 複数のベンチマークでSOTA RAGとGraphRAGのベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-14T16:16:47Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。